XPENG AI 推出 4B 接地模型 GroundingPI，基準平均 73.68%

> 本站實測進行中：本站正以論文作者公開的官方評測程式與資料，在自有的兩張 NVIDIA RTX A6000 上重跑論文的全部 34 項測試，逐項對照論文分數。第一批 25 項（約 5 萬題）預計今天中午前完成並在此附上結果連結；其餘 9 項大型資料集（約 19 萬題）預計今晚完成。

研究在做什麼

這篇研究來自 XPENG AI。研究主題是精確接地（grounding，指出畫面中哪個物體是目標、它在哪裡）。即使畫面雜亂或物體很小，接地也要準確，而且速度要夠快，才能用於閉環控制（依即時感知結果持續調整動作）。 Hugging Face 每日精選論文

作者指出，VLA（vision-language-action，看畫面、讀指令後輸出動作的模型）和 WAM（world-action models，另一類用來產生動作的模型）的感知能力，來自通用的視覺語言骨幹或影片生成骨幹。這些骨幹在上述情境中仍會出錯。 Hugging Face 每日精選論文

方法

GroundingPI 是一個 4B 參數的接地基礎模型。它用量化座標（把連續的座標值切成有限個離散值來表示）輸出點和框，點和框共用同一套詞彙。訓練分為三部分：多模態與空間預訓練；監督式微調（用標注好的正確答案訓練）；以 GRPO（讓模型對同一題產生多個答案，再依答案之間的相對好壞給獎勵的強化學習方法）進行強化學習。訓練資料來自公開資料集和專門建置的資料引擎。 Hugging Face 每日精選論文

結果

研究在 34 個接地基準上與 44 個基準模型比較，這些基準涵蓋 11 種感知能力。GroundingPI 的平均成績是 73.68%，高於規模更大的 GPT-6 Astra（71.54%）。原文稱這是新的 state of the art（目前公開結果中的最佳成績）。 Hugging Face 每日精選論文

作為下游視覺骨幹，GroundingPI 的測試結果如下。在 RoboTwin 2.0 的四種分布外設定（測試條件與訓練資料不同）中，它都勝過作者評估的所有主流骨幹；與其中表現最好的骨幹相比，最多高出 24.8%。在 RoboCasa-GR1 上，只用 50% 示範資料訓練的 GroundingPI，勝過用 75% 示範資料訓練的基準模型。在 nuScenes 上，它的平均開環 L2 誤差（預測軌跡與實際軌跡的距離誤差）為 0.296 m。作者也分析了預訓練的規模和資料組成：預訓練規模擴大時，下游的自動駕駛與機器人操作表現都會提升；密集接地資料對兩者都有明顯幫助；OCR（辨識影像中的文字）資料則可能促進感知學習。 Hugging Face 每日精選論文

限制

主要模型規模為 4B。下游驗證只涵蓋機器人操作（RoboTwin 2.0、RoboCasa-GR1）與自動駕駛（nuScenes）兩類任務，其中自動駕駛的成績是開環指標。 Hugging Face 每日精選論文

程式碼與資料

本站 2026-10-15 整理（資料來自 Hugging Face 論文頁與 GitHub，由程式查詢，不經模型撰寫）：

• 研究機構（Hugging Face 標示）：XPENG AI
• 程式碼：[groundingpi/GroundingPI](https://github.com/groundingpi/GroundingPI)｜71 顆星｜最後更新 2026-10-14｜授權 Apache-2.0
• 專案網頁：https://groundingpi.github.io/
• 公開模型：[GroundingPI/GroundingPI](https://huggingface.co/GroundingPI/GroundingPI)
• 線上展示：[tardellirs/paper-pulse](https://huggingface.co/spaces/tardellirs/paper-pulse)、[GroundingPI/GroundingPI](https://huggingface.co/spaces/GroundingPI/GroundingPI)、[FanLR/GroundingPI](https://huggingface.co/spaces/FanLR/GroundingPI)